用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像：飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船，卡车： 1.准备数据 我们需要将输入标准化，例如：$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评

机器学习 专门用于机器学习的存储库。 我将为此使用PyTorch，但一旦对手电筒感到满意，将学习TensorFlow和Keras。 基本 我想测试对一些基本机器学习概念的理解，因此我没有使用PyTorch来实现以下内容。 线性回归模型。 逻辑回归模型。 MNIST MNIST是学习PyTorch和整个神经网络基础知识的良好起点。 我了解了多层感知器网络中的密集层以及卷积神经网络。 我设法使用以下方法对MNIST数据库进行分类： 多层感知器神经网络，最高精度达到99.1％ 卷积神经网络-最

CS231n分配解决方案 完成分配 2017年Spring。 我刚刚完成在线课程，此仓库包含我对作业的解决方案！ 深入学习深度学习的好地方。 非常感谢CS231斯坦福大学的所有小伙子！ 查找课程笔记和作业并确保查看和 视频选讲！ 作业1： ：k最近邻居分类器。 （完成） ：训练支持向量机。 （完成） ：实施Softmax分类器。 （完成） ：两层神经网络。 （完成） ：高级表示形式：图像功能。 （完成） 作业2： ：完全连接的神经网络。 （完成） ：批量归一化。

Chainer深度学习教程 博客文章的源代码， 。 它与Chainer v2兼容。 本教程包括以下示例， 用于MNIST分类的多层感知器（MLP） 用于CIFAR-10，CIFAR-100图像分类的卷积神经网络（CNN） 递归神经网络（RNN）用于序列数据预测